知识体系结构
- 1. 深度学习框架
- 2. 机器学习
- 3. 深度学习
- 4. 个人常用网络
- 5. 推荐系统
- 6. 语音技术
- 7. 模型融合
- 8. 数据集不均衡问题
- 9. 图神经网络
- 10. 轻量化网络
- 11. 强化学习
- 12. 调参工具
- 13. 回归问题
- 14.图像基础
- 15. 医学图像诊断模型
- 16. 深度学习CV基础
- 17. 深度学习NLP基础
- 18. python极简入门
- 19. 数学基础
- 20. 图像检索
- 21. 数据标注
- 22.图
- 23.人脸识别系列
- 24.神经网络的可解释性
- 深度学习的回归任务
主要的学习方式:还是先用,后学,再思考
无论是学分类、检测、分割、检索、NLP还是推荐,搞学术,最好能构建一套适合自己的baseline,其自定义的性质最好要高,方便自己深入研究
目前深度学习流行的特征提取器:
有三大类:
CNN 、 LSTM 、 Transformer
用投票模型融合方法进行最后结果的融合,看融合效果好不好,可以一定程度上看出,两个模型的提取能力是否一致等等
Pytorch的基本使用
Tenorflow和Keras的基本使用
工程应用
一 深度学习框架
二 机器学习
三 深度学习
四 个人常用网络
五 推荐系统
六. 语音技术
七. 模型融合
八 数据集不均衡问题
九 图神经网络
十 轻量化网络
十一 强化学习
十二. 调参工具
十三 回归问题
十四. 图像基础
十五. 医学图像诊断模型
十六 深度学习CV基础
十七 深度学习NLP基础
十八 python极简入门
十九 数学基础
二十 图像检索
二十一 数据标注
二十二 图的相关操作
二十三 人脸识别系列
二十四 深度学习的回归任务